El modelo SMMILe permite ubicar con mayor exactitud dónde están las células tumorales en imágenes clínicas, sin necesitar anotaciones manuales.
Investigadores de Cambridge y colaboradores desarrollaron un nuevo método de inteligencia artificial (IA) y aprendizaje automático o machine learning, llamado SMMILe, capaz de analizar imágenes digitales de tejido, conocidas como whole-slide images, y localizar con alta precisión las regiones donde se encuentran células tumorales. Según Cambridge avance podría cambiar la forma en la que se investiga el cáncer, ya que mejora notablemente la capacidad de estudiar patrones espaciales dentro de los tumores sin requerir anotaciones manuales, una tarea que tradicionalmente consume tiempo y exige especialistas altamente capacitados.
“El cáncer no siempre es uniforme. Un solo tumor puede contener diferentes subtipos, algunos más agresivos que otros. Nuestro modelo no se limita a decir «sí, hay cáncer», sino que traza un mapa de estos subtipos y sus proporciones dentro del tejido. Esto podría ayudar algún día a los médicos a personalizar los tratamientos de forma más eficaz, pasando a una comprensión más matizada del cáncer de cada paciente”, explicó el Dr. Zeyu Gao del Early Cancer Institute de Cambridge.
El estudio, publicado en Nature Cancer, explica que, aunque los modelos actuales pueden clasificar una muestra completa como “con cáncer” o “sin cáncer”, suelen fallar al indicar exactamente dónde están las células relevantes dentro del tejido. Esto limita su uso en áreas donde la distribución espacial es fundamental, como la identificación de subtipos tumorales, la búsqueda de biomarcadores o la comprensión de la heterogeneidad del cáncer.
Para resolverlo, el equipo combinó varias innovaciones dentro de un enfoque llamado aprendizaje múltiple por instancias (MIL, en inglés). A diferencia de otros métodos basados en atención que tienden a enfocarse solo en unas pocas regiones muy llamativas, SMMILe genera predicciones más equilibradas e interpreta mejor todas las zonas de la muestra. Además, emplea módulos específicos, como un sistema de refinamiento de instancias y técnicas de muestreo que reducen el riesgo de pasar por alto regiones importantes.
Los investigadores evaluaron SMMILe en ocho conjuntos de datos con 3,850 imágenes de portaobjetos completos, abarcando seis tipos de cáncer: mama, pulmón, riñón, ovario, estómago y próstata. El método superó a nueve modelos de referencia tanto en la clasificación general de la muestra como en la cuantificación espacial, es decir, la capacidad de identificar qué partes del tejido corresponden a cada subtipo celular. En la mayoría de los casos, SMMILe obtuvo mejoras especialmente notables en métricas como F1 y AUC, incluso en escenarios complejos donde un mismo tejido presenta mezclas de distintos patrones histológicos.
Por su parte, la Dra. Mireia Crispin-Ortuzar, especialista en investigación oncológica en Cambridge y coautora principal del estudio, explicó que: “Lo que hemos desarrollado es similar a un «sonar» para imágenes que, en esencia, nos permite ver en la oscuridad. A menudo, tenemos información sobre un tumor, pero no sabemos cómo se distribuye en el tejido. Existen tecnologías que permiten obtener esta información, pero son muy costosas. Con nuestro nuevo método de IA, podemos mapear con precisión las muestras tumorales, y lo mejor es que se entrena con conjuntos de datos baratos y ampliamente disponibles que solo contienen información masiva y no espacial”.
El estudio señala que este tipo de herramientas puede ser clave para investigaciones que busquen relacionar patrones morfológicos con datos genómicos, validar biomarcadores o estudiar la evolución del cáncer dentro del tejido. También podría facilitar métodos de diagnóstico más explicables, al mostrar con claridad cuáles regiones respaldan la predicción de la IA.
El Dr. Gao detalló que: “Al permitir que los patólogos realicen diagnósticos más rápidos y precisos, podemos asegurarnos de que los pacientes reciban el mejor tratamiento aún más pronto, lo que mejora nuestras posibilidades de tratar con éxito su cáncer. La IA podría tener un enorme impacto en la vida de nuestros pacientes”.
Aunque los autores reconocen que aún se requieren más pruebas en tareas clínicas avanzadas, el trabajo demuestra que es posible lograr una localización precisa de características tumorales usando solo etiquetas a nivel de paciente, sin necesidad de anotaciones exhaustivas hechas por patólogos. Esto abre la puerta a nuevas aplicaciones donde la distribución espacial del tumor es tan importante como su clasificación.
Conoce más sobre este proyecto en: https://www.cam.ac.uk/stories/cambridge-cancer-research-hospital
